論文の概要: Certified Neural Approximations of Nonlinear Dynamics

• arxiv url: http://arxiv.org/abs/2505.15497v1
• Date: Wed, 21 May 2025 13:22:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.656942
• Title: Certified Neural Approximations of Nonlinear Dynamics
• Title（参考訳）: 非線形ダイナミクスの認定ニューラル近似
• Authors: Frederik Baymler Mathiesen, Nikolaus Vertovec, Francesco Fabiano, Luca Laurenti, Alessandro Abate,
• Abstract要約: 安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
• 参考スコア（独自算出の注目度）: 52.79163248326912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural networks hold great potential to act as approximate models of nonlinear dynamical systems, with the resulting neural approximations enabling verification and control of such systems. However, in safety-critical contexts, the use of neural approximations requires formal bounds on their closeness to the underlying system. To address this fundamental challenge, we propose a novel, adaptive, and parallelizable verification method based on certified first-order models. Our approach provides formal error bounds on the neural approximations of dynamical systems, allowing them to be safely employed as surrogates by interpreting the error bound as bounded disturbances acting on the approximated dynamics. We demonstrate the effectiveness and scalability of our method on a range of established benchmarks from the literature, showing that it outperforms the state-of-the-art. Furthermore, we highlight the flexibility of our framework by applying it to two novel scenarios not previously explored in this context: neural network compression and an autoencoder-based deep learning architecture for learning Koopman operators, both yielding compelling results.
• Abstract（参考訳）: ニューラルネットワークは、非線形力学系の近似モデルとして機能し、その結果のニューラルネットワーク近似により、そのようなシステムの検証と制御が可能となる。 しかし、安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に関する公式な境界を必要とする。 この根本的な課題に対処するために、認証された一階述語モデルに基づく、新規で適応的で並列化可能な検証手法を提案する。 我々の手法は、力学系の神経近似に関する公式な誤差境界を提供し、近似された力学に作用する有界な外乱としてエラー境界を解釈することにより、それらをサロゲートとして安全に使用することができる。 本稿では,本手法の有効性とスケーラビリティを文献から検証し,最先端のベンチマークよりも優れていることを示す。 さらに、ニューラルネットワーク圧縮と、Koopman演算子を学習するためのオートエンコーダベースのディープラーニングアーキテクチャという、2つの新しいシナリオに適用することで、フレームワークの柔軟性を強調します。

関連論文リスト

• Neural Contraction Metrics with Formal Guarantees for Discrete-Time Nonlinear Dynamical Systems [17.905596843865705]
  収縮メトリクスは、様々な力学系の安定性、堅牢性、収束性を分析する強力なフレームワークを提供する。 しかしながら、複雑な非線形系に対するこれらの指標の同定は、効果的なツールが欠如しているため、未解決の課題である。 本稿では,離散的スケーラブル非線形システムに対する検証可能な収縮指標について述べる。
  論文  参考訳（メタデータ） (2025-04-23T21:27:32Z)
• Probabilistic Decomposed Linear Dynamical Systems for Robust Discovery of Latent Neural Dynamics [5.841659874892801]
  時間変化線形状態空間モデルは、ニューラルネットワークの数学的解釈可能な表現を得るための強力なツールである。 潜在変数推定のための既存の手法は、動的ノイズやシステムの非線形性に対して堅牢ではない。 本稿では,動的雑音に対するロバスト性を改善するために,分解モデルにおける潜在変数推定に対する確率的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-29T18:58:39Z)
• Neuro-symbolic model for cantilever beams damage detection [0.0]
  本稿では,新しい認知アーキテクチャに基づくカンチレバービームの損傷検出のためのニューロシンボリックモデルを提案する。 ハイブリッド識別モデルはLogic Convolutional Neural Regressorという名称で導入されている。
  論文  参考訳（メタデータ） (2023-05-04T13:12:39Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Neural Abstractions [72.42530499990028]
  本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。 提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-01-27T12:38:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。